APLIKASI CITRA LANDSAT 8 UNTUK IDENTIFIKASI KELAS TUTUPAN LAHAN DI KABUPATEN CIAMIS SOFIAN HADI PRASETYO

Transkripsi

1 APLIKASI CITRA LANDSAT 8 UNTUK IDENTIFIKASI KELAS TUTUPAN LAHAN DI KABUPATEN CIAMIS SOFIAN HADI PRASETYO DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2014

2

3 PERNYATAAN Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Citra Landsat 8 untuk Identifikasi Kelas Tutupan Lahan di Kabupaten Ciamis adalah benar karya saya dengan arahan dari pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Januari 2014 Sofian Hadi Prasetyo NIM E

4 ABSTRAK SOFIAN HADI PRASETYO. Aplikasi Citra Landsat 8 untuk Identifikasi Kelas Tutupan Lahan di Kabupaten Ciamis. Dibimbing oleh MUHAMMAD BUCE SALEH. Landsat 8 merupakan satelit yang dikembangkan oleh National Aeronautics and Space Administration (NASA) untuk kegiatan pemantauan sumberdaya alam. Landsat 8 ini merupakan kelanjutan dari misi Landsat sebelumnya (Landsat 7) yang mengalami kerusakan sejak tahun 2003 dengan penambahan jumlah saluran dan pergeseran panjang gelombang pada masing-masing salurannya. Penelitian ini bertujuan untuk menentukan jumlah dan jenis kelas tutupan lahan yang dapat diidentifikasi dengan menggunakan citra landsat 8 berdasarkan analisis separabilitas dan menentukan metode klasifikasi terbaik yang dapat digunakan dalam memetakan kelas tutupan lahan di Kabupaten Ciamis. Metode yang digunakan pada penelitian ini meliputi identifikasi objek tutupan lahan yang ditemukan di lapang, pembuatan area contoh, analisis separabilitas untuk memperoleh jumlah kelas yang dapat diidentifikasi berdasarkan nilai digital, klasifikasi terbimbing untuk mengkelaskan tutupan lahan hasil analisis separabilitas kemudian pengujian akurasi, dan perbandingan dengan interpretasi visual citra. Berdasarkan analisis separabilitas, jumlah kelas yang dapat diidentifikasi di Kabupaten Ciamis yaitu sebanyak 12 kelas yang meliputi awan, bayangan awan, hutan mangrove, hutan karet, kebun kelapa, sawah, semak, tanah kosong, badan air, pertanian lahan kering, pemukiman dan hutan/ kebun campuran. Metode terbaik untuk mengkelaskan tutupan lahan di Kabupaten Ciamis yaitu metode Support Vector Machine dengan fungsi linear karena memiliki nilai kappa accuracy tertinggi yaitu 76,56% dan memiliki kesesuaian yang tinggi dengan interpretasi visual citra. Kata Kunci : tutupan lahan, separabilitas, klasifikasi terbimbing, Landsat 8 ABSTRACT SOFIAN HADI PRASETYO. The Aplication of Landsat 8 imagery for Land Cover Class Identification in Ciamis district. Under supervision : MUHAMMAD BUCE SALEH. Landsat 8 satellite was developed by National Aeronautics and Space Administration (NASA) for natural resource monitoring activities. Landsat 8 is a continuation of the previous Landsat missions (Landsat 7) which has damaged since 2003 with the addition in number of channels and wavelength shift for each channel. The aims of this research are to determine the amount and type of land cover classes that can be identified using Landsat 8 imagery based on separability analysis and also to determine the best classification method in land cover mapping classes in Ciamis district.

5 The using method in this research comprised of identification of land cover object that found in the field, training area, separability analysis to obtain the number of class that can be identified based on the digital number, supervised classification to classify land cover separability analysis result then accuracy test and compare its result with the visual image interpretation. Based on separability analysis, the number of classes that can be identified in Ciamis district consist 12 classes which are cloud, shadows of clouds, mangrove forest, rubber forest, coconut grove, rice field, shrub, open land, water bodie, dry land farming, residential and forest/ mixed farm. The best method to classify land cover in Ciamis district is Support Vector Machine with linear function because it has the highest value of kappa accuracy of 76,56% and has a high conformity by the visual image interpretation. Keywords : Land cover, separability, supervised classification, Landsat 8

6

7 APLIKASI CITRA LANDSAT 8 UNTUK IDENTIFIKASI KELAS TUTUPAN LAHAN DI KABUPATEN CIAMIS SOFIAN HADI PRASETYO Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Departemen Manajemen Hutan DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2014

8

9 Judul Skripsi : Aplikasi Citra Landsat 8 untuk Identifikasi Kelas Tutupan Lahan di Kabupaten Ciamis Nama : Sofian Hadi Prasetyo NIM : E Disetujui oleh Dr Ir Muhammad Buce Saleh, MS Pembimbing Diketahui oleh Dr Ir Ahmad Budiaman, MSc F Trop Ketua Departemen Tanggal Lulus:

10 Judul Skripsi: Aplikasi Citra Landsat 8 untuk Identiftkasi Kelas Tutupan Lahan di Kabupaten Ciamis Nama : Sofian Hadi Prasetyo NIM : E Disetujui oleh 1 Dr Ir Muhammad Buce Saleh. MS Pembimbing Tanggal Lulus:

11 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas segala karunia-nya sehingga karya ilmiah dengan judul Aplikasi Citra Landsat 8 dalam Identifikasi Kelas Tutupan Lahan di Kabupaten Ciamis berhasil diselesaikan dengan baik. Penelitian ini dilaksanakan sejak bulan Juli 2013 yang berlokasi di Kabupaten Ciamis, Jawa Barat. Terima kasih penulis ucapkan kepada Bapak Dr Ir Muhammad Buce Saleh, MS selaku dosen pembimbing yang telah memberikan bimbingan dan arahan dalam menyelesaikan proses penyususan skripsi ini. Ucapan terimakasih juga penulis sampaikan kepada Bapak Dadang Hendaris selaku kepala perum perhutani unit III Jawa Barat dan Banten yang telah memberikan izin untuk melaksanakan penelitian pada lokasi perum perhutani. Disamping itu ucapan terimakasih juga penulis sampaikan kepada orang tua, seluruh keluarga, Wulan, Bapak Uus, Panji, Dini, Hastuti, keluarga besar Lab. GIS serta rekan-rekan mahasiswa manajemen hutan angkatan 46 atas doa dan dukungan yang diberikan. Semoga karya ilmiah ini bermanfaat. Bogor, Januari 2014 Penulis

12 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 1 Manfaat Penelitian 2 METODE 2 Lokasi dan Waktu 2 Alat dan Data 2 Prosedur Analisis Data 2 HASIL DAN PEMBAHASAN 6 Identifikasi Objek di Lapangan 6 Area Contoh (training area) 8 Analisis Separabilitas 9 Klasifikasi Terbimbing 15 Evaluasi Akurasi 17 Analisis Visual Citra 18 SIMPULAN DAN SARAN 19 Simpulan 19 Saran 20 DAFTAR PUSTAKA 20 LAMPIRAN 21 RIWAYAT HIDUP 25

13 DAFTAR TABEL 1. Karakteristik band citra Landsat Contoh matrik kontingensi 6 3. Jenis kelas tutupan lahan di Kabupaten Ciamis 7 4. Nilai Optimum Index Factor (OIF) citra Landsat Tutupan lahan hasil analisis separabilitas Tutupan lahan hasil analisis separabilitas (lanjutan) Nilai separabilitas dari 12 kelas tutupan lahan di Kabupaten Ciamis dengan menggunakan 8 band OLI pada citra Landsat Nilai separabilitas dari 12 kelas tutupan lahan di Kabupaten Ciamis dengan menggunakan 6 band OLI pada citra Landsat Nilai separabilitas dari 12 kelas tutupan lahan di Kabupaten Ciamis dengan menggunakan 6 band OLI dan 2 band TIRS pada citra Landsat 8 14 DAFTAR GAMBAR 1. Peta sebaran titik pengamatan lapang di Kabupaten Ciamis 4 2. Citra Landsat 8 lokasi penelitian, (a) kombinasi 8-7-3; (b) kombinasi Diagram proses re-group pada analisis separabilitas Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode Maximum Likelihood Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode SVM linear Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode SVM polynomial Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode SVM radial basis function Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode SVM sigmoid Overall accuracy hasil klasifikasi Kappa accuracy hasil klasifikasi Peta klasifikasi tutupan lahan dengan metode interpretasi visual 19 DAFTAR LAMPIRAN 1. Nilai separabilitas dari 34 kelas tutupan lahan di Kabupaten Ciamis Nilai separabilitas dari 17 kelas tutupan lahan di Kabupaten Ciamis Nilai separabilitas dari 14 kelas tutupan lahan di Kabupaten Ciamis Matrik kontingensi pada metode klasifikasi SVM linear dengan 8 band OLI 24

14 PENDAHULUAN Latar Belakang Pengelolaan hutan yang baik dan benar sangat dibutuhkan untuk menjamin kelestarian sumberdaya hutan baik dari segi ekonomi, ekologi dan sosial. Untuk menjaga eksistensi fisik dan kualitas hutan yang berkelanjutan diperlukan suatu pengelolaan yang berdasarkan asas kelestarian. Pengelolaan hutan yang terintegrasi perlu didukung oleh data atau informasi dasar tentang kondisi fisik hutan. Jenis penutupan lahan dan penggunaan lahan merupakan salah satu data yang dibutuhkan untuk dapat menerapkan sistem pengelolaan sumberdaya alam yang tepat sesuai dengan kondisi lokasi yang akan dikelola. Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek, daerah atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan obyek, daerah atau fenomena yang dikaji (Lillesand dan Kiefer 1990). Teknologi penginderaan jauh sangat dibutuhkan untuk dapat mengidentifikasi jenis penutupan lahan secara cepat, akurat, efisien dan meliputi cakupan yang cukup luas dengan biaya yang relatif murah. Indonesia telah memanfaatkan citra penginderaan jauh dalam mengidentifikasi tutupan lahan, umumnya dalam pemantauan sumberdaya alam di Indonesia digunakan citra optik Landsat. Landsat 8 secara resmi mulai beroperasi pada tanggal 30 Mei 2013 dan data produk satelit tersebut tersedia untuk publik yang dapat diakses melalui website USGS (NASA 2013). Landsat 8 diluncurkan untuk melanjutkan misi dari Landsat 7 yang mengalami kerusakan sejak Mei Karakteristik Landsat 8 mirip dengan Landsat 7 baik resolusi, metode koreksi, ketinggian terbang maupun karakteristik sensor yang dibawa. Satelit Landsat 8 memiliki sensor Onboard Operational Land Imager (OLI) dan Thermal Infrared Sensor (TIRS) dengan jumlah kanal sebanyak 11 buah. Bertambahnya jumlah band dan pergeseran panjang gelombang dari band pada citra Landsat 8 diharapkan dapat meningkatkan kemampuan citra dalam mengidentifikasi tutupan lahan yang terdapat di Kabupaten Ciamis. Tujuan Penelitian Penelitian ini bertujuan untuk : 1. Menentukan jumlah dan jenis kelas tutupan lahan yang dapat dibedakan berdasarkan analisis separabilitas dengan menggunakan citra Landsat 8 di Kabupaten Ciamis. 2. Menentukan metode klasifikasi digital yang memiliki tingkat akurasi lebih tinggi antara metode Maximum Likelihood dengan metode Support Vector Machine (SVM) dalam memetakan tutupan lahan Kabupaten Ciamis.

15 2 Manfaat Penelitian Penelitian ini diharapkan dapat memberikan informasi terbaru mengenai tutupan lahan sehingga dapat bermanfaat dalam kegiatan perencanaan dan pengelolaan hutan di Kabupaten Ciamis serta memberikan informasi bagi pengguna citra penginderaan jauh dalam penyediaan data dan informasi spasial. METODE Lokasi dan Waktu Penelitian ini dilaksanakan pada bulan Juli sampai Desember Tahap pra-pengolahan citra dilaksanakan pada bulan Juli 2013 yang bertempat di Laboratorium Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Pengambilan data lapang dilaksanakan pada bulan Agustus 2013 yang meliputi Kabupaten Ciamis. Pengolahan data, analisis data dan penyusunan laporan dilaksanakan pada bulan September - Desember 2013 yang bertempat di Laboratorium Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Alat dan Data Alat yang digunakan pada penelitian ini yaitu Global Positioning System (GPS), alat tulis, tally sheet, kamera digital, satu unit laptop dengan perangkat lunak Erdas Imagine 9.1, ArcView 3.2, ArcGIS 9.3, ENVI 4.5, Microsoft Excel 2010, dan Microsoft Word Data yang digunakan pada penelitian ini adalah citra Landsat 8 path 121 row 65 perekaman tahun 2013, peta batas petak KPH Ciamis dan peta rupa bumi Indonesia daerah Jawa Barat. Prosedur Analisis Data Pra Pengolahan Citra Pra pengolahan citra merupakan tahap awal dari pengolahan citra satelit berupa perbaikan terhadap data citra yang masih memiliki beberapa kesalahan dan pembuatan peta lokasi penelitian. Secara umum langkah pra pengolahan citra meliputi pengubahan data citra, membuat citra komposit, koreksi geometri citra dan pemotongan citra 1. Pengubahan Data Citra yang digunakan pada penelitian ini yaitu citra Landsat 8 tahun perekaman 2013 dengan format *.TIF. Proses pengubahan data citra ini untuk mengubah format data mentah citra menjadi format yang dapat diolah oleh perangkat lunak pengolah citra (Format *.img.) proses ini dilakukan dengan menggunakan perangkat lunak Erdas Imagine 9.1.

16 3 2. Pembuatan Citra Komposit Citra Landsat 8 terdiri dari 9 saluran Operational Land Imager (OLI) dan 2 saluran Thermal Infrared Sensor (TIRS), penggabungan band dimaksudkan untuk memperoleh suatu data citra multi spektral yang terdiri dari band cahaya tampak (visible), NIR, SWIR dan Cirrus pada citra Landsat 8. Tabel 1 menunjukkan karakteristik band yang terdapat pada citra Landsat 8. Jaya (2010) menjelaskan bahwa dengan hanya satu band (saluran) yang umumnya ditampilkan dengan grayscale/hitam putih, identifikasi obyek pada citra umumnya lebih sulit dibandingkan dengan interpretasi pada citra berwarna. Tabel 1 Karakteristik band citra Landsat 8 Saluran Panjang gelombang (µm) Resolusi spasial (m) Band 1 - Coastal Aerosol Band 2 - Blue Band 3 - Green Band 4 - Red Band 5 - Near Infrared (NIR) Band 6 - SWIR Band 7 - SWIR Band 8 - Panchromatic Band 9 - Cirrus Band 10 - Thermal Infrared (TIRS) Band 11 - Thermal Infrared (TIRS) Sumber : USGS (2013) 3. Koreksi Geometri Citra (rektifikasi) Jaya (2010) menjelaskan bahwa koreksi geometri dibutuhkan untuk melakukan rektifikasi (pembetulan) agar koordinat pada citra sesuai dengan koordinat geografi. Hal ini perlu dilakukan pada citra untuk mendapatkan nilai pixel yang sebenarnya pada posisi yang tepat. Citra Landsat 8 sudah terorhorektifikasi Level 1T- precision artinya sudah dilakukan rektifikasi dengan data Digital Elevation Model (DEM) dari Global Land Surveys 2000 sehingga hanya dilakukan reproject citra untuk mengubah proyeksi citra menjadi Universal Tranverse Mercator (UTM) zona 49 S dan datum yang digunakan adalah WGS Pemotongan Citra (cropping) Pemotongan citra ini bertujuan untuk memperoleh citra dengan bentuk sesuai lokasi yang akan diamati yaitu kabupaten Ciamis bagian selatan seluas 20 km 25 km meliputi RPH Banjar Selatan, Pangandaran dan Kalipucang sehingga dalam penafsirannya dapat fokus hanya pada lokasi penelitian. Identifikasi Awal Tutupan Lahan Identifikasi awal tutupan lahan ini dimaksudkan untuk memberikan gambaran awal dalam mengidentifikasi pola sebaran, penentuan jumlah penutupan

17 4 lahan dan macam penutupan lahan. Dalam melakukan interpretasi kelas tutupan lahan secara visual ini digunakan elemen-elemen interpretasi yang terdiri dari warna, bentuk, ukuran, tekstur, pola, lokasi dan asosiasi. Pada penyajian dengan multiband, biasanya dilakukan evaluasi dengan OIF (optimum index factor). OIF merupakan ukuran banyaknya informasi yang dimuat pada suatu citra komposit (Jaya 2010). Kombinasi band dengan nilai OIF terbesar berarti memiliki variasi informasi yang lebih banyak. Nilai OIF dapat dihitung dengan rumus : Si + S j + S k OIFijk = rij + rjk + rik dimana S i, S j dan S k adalah simpangan baku dari band ke-i, j dan k, sedangkan r ij, r jk dan r ik adalah koefisien korelasi antar bandnya (Jaya 2010). Pembuatan Titik Pengamatan dan pengambilan data lapangan Lokasi titik awal pengamatan di tentukan dengan metode systematic sampling with random start. Pembuatan titik pengamatan ini dilakukan dengan menggunakan ekstensi IHMB-Jaya pada Arc View 3.2. Titik yang telah diperoleh kemudian dipilih secara purposive untuk dilakukan pengamatan lapang. Pemilihan titik pengamatan ini mempertimbangkan jumlah titik pengamatan agar masingmasing tutupan lahan yang ada memiliki perwakilan titik pengamatan dan memungkinkan untuk dijangkau. Pengambilan data di lapangan bertujuan untuk mencocokan tutupan lahan yang telah diinterpretasi pada citra dengan kondisi tutupan lahan yang sebenarnya di lapang. Data yang diambil berupa kondisi tutupan lahan, kondisi topografi, tinggi rata-rata vegetasi dan foto lapang. Sebaran lokasi titik pengamatan lapang dapat dilihat pada Gambar 1. Gambar 1 Peta sebaran titik pengamatan lapang di Kabupaten Ciamis

18 5 Analisis Hasil Pengamatan Lapangan 1. Identifikasi objek di lapangan Identifikasi seluruh objek tutupan lahan yang ditemukan pada pengamatan lapang dari seluruh titik pengamatan yang berjumlah 135 titik. Titik pengamatan di lapang kemudian dibagi menjadi 2 set data yaitu pembentukan klasifikasi sebanyak 95 titik dan validasi hasil klasifikasi sebanyak 40 titik. 2. Penentuan Area Contoh (training area) Pengambilan area contoh dilakukan berdasarkan data yang diperoleh dari kegiatan pengamatan lapang yang kemudian dilakukan penentuan dan pemilihan lokasi-lokasi area contoh untuk mengambil informasi contoh piksel dari setiap tutupan lahan yang dijumpai di lapang. Area contoh diperlukan pada setiap kelas yang akan dibuat dan diambil dari areal yang cukup homogen. Penentuan area contoh merupakan proses yang penting karena akan menentukan keberhasilan klasifikasi. Secara teoritis jumlah piksel yang harus diambil per kelas adalah sebanyak jumlah band yang digunakan plus satu (N+1). Akan tetapi pada prakteknya, jumlah piksel yang harus diambil dari setiap kelas biasanya 10 sampai 100 kali jumlah band yang digunakan (10N~100N) (Jaya 2010). 3. Analisis Separabilitas Analisis separabilitas digunakan untuk mengevaluasi keterpisahan antara objek-objek tutupan lahan yang ditemui di lapang dilihat dari nilai digital yang telah ditentukan pada pembuatan area contoh. Metode yang digunakan pada penelitian ini yaitu metode Transformed Divergence, metode ini digunakan untuk mengukur tingkat keterpisahan antar kelas. Nilai separabilitas dengan Transformed Divergence akan berkisar antara 0 sampai dengan Nila nol sama dengan tidak bisa dipisahkan, sedangkan nilai maksimum menunjukan keterpisahan yang sangat baik (excellent). Menurut Jaya (2009) dalam Maharani (2011) hasil analsis separabilitas dapat dikelompokkan ke dalam lima kelas yaitu : a. Tidak terpisah : <1600 b. Kurang keterpisahannya : 1600 <1800 c. Cukup keterpisahannya : 1800 <1900 d. Baik keterpisahannya : 1900 <2000 e. Sangat baik keterpisahannya : 2000 Analisis separabilitas dilakukan sampai seluruh tutupan lahan dapat dipisahkan secara cukup baik keterpisahannya atau nilai separabilitas lebih besar dari Klasifikasi Terbimbing Klasifikasi terbimbing adalah klasifikasi dimana analis mempunyai sejumlah pixel yang mewakili dari masing-masing kelas atau kategori yang diinginkan (Jaya 2010). Metode yang digunakan dalam klasifikasi terbimbing ini yaitu metode Maximum Likelihood dan Support Vector Machine (SVM). 5. Evaluasi Akurasi Akurasi sering dianalisis menggunakan matrik kontingensi, yaitu suatu matrik bujur sangkar yang memuat jumlah piksel yang diklasifikasi. Matrik ini juga sering disebut dengan error matrix atau confusion matrix (Jaya 2010). Contoh dari tabel kontingensi dapat dilihat pada Tabel 2.

19 6 Data referensi Tabel 2 Contoh matrik kontingensi Diklasifikasi ke kelas Jumlah Producer s accuracy A B C D A X 11 X 12 X 13 X 14 X 1+ X 11 /X 1+ B X 21 X 22 X 23 X 24 X 2+ X 22 /X 2+ C X 31 X 32 X 33 X 34 X 3+ X 33 /X 3+ D X 41 X 42 X 43 X 44 X 4+ X 44 /X 4+ Jumlah X +1 X +2 X +3 X +4 N User s X accuracy 11 /X +1 X 22 /X +2 X 33 /X +3 X 44 /X +4 Sumber : Jaya (2010) Akurasi yang dihitung yaitu akurasi pembuat (producer s accuracy), akurasi pengguna (user accuracy), akurasi keseluruhan (overall accuracy), dan akurasi kappa (kappa accuracy). Secara matematis rumus dari akurasi di atas dapat dinyatakan sebagai berikut : Akurasi pengguna = X ii X +i 100% Akurasi Pembuat = X ii X i+ 100% Akurasi Keseluruhan = r i=1 X ii N r i=1 100% Kappa akurasi = N i=1 X ii X i+ X +i r N 2 X i+ X +i 100% Dimana: Xii = nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i X+i = jumlah piksel dalam kolom ke-i X i+ = jumlah piksel dalam baris ke-i N = banyaknya piksel dalam contoh 6. Analisis Visual Citra Analisis visual dilakukan bertujuan untuk meningkatkan keakuratan klasifikasi dengan menggunakan elemen-elemen interpretasi dan informasi tutupan lahan yang ditemukan di lapang. Elemen interpretasi tersebut meliputi warna, tone, tekstur, bentuk, ukuran, pola, site dan asosiasi. HASIL DAN PEMBAHASAN Identifikasi Objek di Lapangan Berdasarkan hasil pengamatan lapangan yang dilakukan di Kabupaten Ciamis ditemukan 38 objek tutupan lahan dari 135 titik pengamatan yang dapat dilihat pada Tabel 3.

20 7 No Tabel 3 Jenis kelas tutupan lahan di Kabupaten Ciamis Tutupan lahan Jumlah titik No Tutupan lahan Jumlah titik 1 Badan air 5 20 HT Mahoni umur 13 tahun 3 2 HT Jati umur 1 tahun 4 21 HT Mahoni umur 18 tahun 1 3 HT Jati umur 2 tahun 4 22 HT Mahoni umur 22 tahun 4 4 HT Jati umur 3 tahun 4 23 HT Mahoni umur 37 tahun 3 5 HT Jati umur 4 tahun 5 24 Hutan mangrove 3 6 HT Jati umur 5 tahun 3 25 Hutan rakyat campuran 7 7 HT Jati umur 7 tahun 2 26 Hutan sengon 11 8 HT Jati umur 9 tahun 1 27 Hutan rakyat mahoni 1 9 HT Jati umur 10 tahun 1 28 Hutan karet 2 10 HT Jati umur 13 tahun 2 29 Kebun campuran 8 11 HT Jati umur 17 tahun 2 30 Kebun pepaya 1 12 HT Jati umur 19 tahun 1 31 Kebun singkong 5 13 HT Jati umur 22 tahun 1 32 Kebun kelapa 8 14 HT Jati umur 26 tahun 2 33 Pemukiman desa 6 15 HT Jati umur 31 tahun 3 34 Pemukiman kota 2 16 HT Jati umur 32 tahun 1 35 Sawah 8 17 HT Jati umur 38 tahun 1 36 Semak 4 18 HT Jati umur 40 tahun 2 37 Tambak 1 19 HT Mahoni umur 9 tahun 4 38 Tanah kosong 9 HT : Hutan tanaman Berdasarkan Tabel 3 dapat dilihat bahwa lokasi pengamatan lapang banyak ditemukan obyek tutupan lahan berupa hutan tanaman jati dan hutan tanaman mahoni dengan berbagai kelas umur, hal ini dimaksudkan untuk menambah tingkat keyakinan dalam pembentukan training area untuk membedakan kelas jenis jati dan mahoni dalam berbagai kelas umur. Data pengamatan lapang kemudian dibagi menjadi 2 set data yaitu data pembentukan klasifikasi tutupan lahan sebanyak 95 lokasi dan data untuk melakukan validasi hasil klasifikasi sejumlah 40 lokasi. Pembagian set data dilakukan secara purposive dimana seluruh jenis tutupan lahan harus tersedia pada kedua set data tersebut. Pembagian set data ini bertujuan untuk menguji akurasi hasil klasifikasi yang telah dibuat.

21 8 Area Contoh (training area) Pembuatan area contoh dilakukan dengan menggunakan set data untuk pembentukan klasifikasi tutupan lahan. Dalam menentukan lokasi area contoh diperlukan pemahaman mengenali pola spektral tutupan lahan yang terdapat dalam citra. Piksel-piksel yang mewakili suatu kelas tutupan lahan tertentu memiliki nilai digital yang berbeda namun secara visual piksel-piksel tersebut relatif homogen, hal ini dimaksudkan untuk menghindari kelas tutupan yang tumpang tindih satu dengan lainnya yang nantinya dapat mengurangi keakuratan hasil klasifikasi. Selain itu, untuk dapat menentukan area contoh dengan benar maka diperlukan tampilan citra multi band yang memiliki informasi terbesar. Perhitungan nilai Optimum Index factor (OIF) dilakukan untuk memperoleh kombinasi dengan variasi informasi terbanyak. Secara teori, nilai OIF terbesar berarti memiliki variasi informasi yang paling banyak, namun perlu diperhatikan pula tampilan secara visual dari hasil kombinasi yang diperoleh. Tabel 4 menunjukan 20 kombinasi dengan nilai OIF terbesar. Tabel 4 Nilai Optimum Index Factor (OIF) citra Landsat 8 No RGB OIF No RGB OIF Berdasarkan Tabel 4, kombinasi yang merupakan kombinasi dari Band 9 (cirrus pada layer 8), band 7 (SWIR-2), dan band 3 (green) memiliki nilai OIF terbesar dari seluruh kombinasi, namun kombinasi ini memberikan penampilan visual yang kurang baik. Kombinasi dengan nilai OIF tinggi dan memberikan penampilan visual yang baik adalah kombinasi dimana terdiri dari band 7 (SWIR-2), band 5 (NIR), dan band 3 (green). (a) (b) Gambar 2 Citra Landsat 8 lokasi penelitian, (a) kombinasi 8-7-3; (b) kombinasi 7-5-3

22 9 Gambar 2 menunjukan perbandingan penampilan visual antara kombinasi band dengan kombinasi band Pada citra lokasi penelitian ditemukan objek lain selain yang ditemukan di lapang yaitu objek awan dan bayangan awan sehingga kedua objek ini akan ditambahkan pada saat pembuatan area contoh, hal ini bertujuan untuk mengetahui kemampuan citra dalam mengidentifikasi objekobjek yang terdapat pada citra. Analisis Separabilitas Analisis separabilitas menunjukan jumlah obyek yang dapat dibedakan oleh citra Landsat 8 berdasarkan nilai digital dari setiap area contoh yang telah dibuat untuk masing-masing kelas tutupan lahan. Pada penelitian ini tingkat keterpisahan paling rendah yang diinginkan yaitu pada tingkat cukup baik keterpisahannya (>1800) karena tingkat keterpisahan yang rendah dapat mengurangi nilai akurasi pada proses klasifikasi. Pada proses pembuatan area contoh, terdapat beberapa kelas tutupan lahan yang hanya memiliki satu lokasi pengamatan dan dengan luasan area contoh yang relatif kecil sehingga perlu dilakukan re-group awal dengan objek lain yang relatif memiliki kenampakkan yang sama pada kondisi lapang. Proses re-group awal menghasilkan 34 kelas tutupan lahan yang sudah memiliki luasan area contoh yang cukup memadai untuk dilakukan analisis separabilitas. Dari 34 kelas tutupan lahan yang diperoleh kemudian dilakukan analisis separabilitas dimana terdapat beberapa kombinasi tutupan lahan yang memiliki nilai keterpisahan dibawah standar yang digunakan terutama pada kelas hutan mahoni berbagai umur, hutan jati berbagai kelas umur, pemukiman kota dengan pemukiman desa, hutan rakyat campuran dan kebun campuran dengan hutan sengon yang hasilnya dapat dilihat pada Lampiran 1. Untuk itu perlu dilakukan re-group guna menggabungkan kelaskelas tutupan lahan yang memiliki nilai keterpisahan rendah berdasarkan nilai digital. Dalam melakukan proses re-group perlu mempertimbangkan besarnya nilai separabilitas, kemiripan objek di lapang dan tujuan melakukan klasifikasi. Proses re-group menghasilkan 17 kelas tutupan lahan yang masih terdapat kelas tutupan lahan dengan nilai keterpisahan rendah terutama pada kelas hutan campuran dengan hutan jati berbagai kelas umur dan hutan mahoni yang hasilnya dapat dilihat pada Lampiran 2. kemudian dilakukan proses re-group 2 dengan menggabungkan hutan jati berbagai kelas umur menjadi hutan jati sehingga menghasilkan 14 kelas tutupan lahan. Dari 14 kelas tutupan lahan tersebut, kelas tutupan lahan kebun campuran, hutan jati dan hutan mahoni tidak dapat dipisahkan secara cukup baik berdasarkan nilai separabilitas yang dapat dilihat pada Lampiran 3. Hal ini karena hutan di luar kawasan perhutani sudah mulai berkembang dari segi pola tanam maupun jenis sehingga memungkinkan untuk memiliki kenampakkan yang mirip dengan hutan milik perhutani. Untuk itu dilakukan proses re-group 3 dengan menggabungkan ketiga kelas tutupan lahan tersebut menjadi kelas hutan/ kebun campuran. Untuk dapat membedakan hutan di dalam dan diluar kawasan perhutani maka diperlukan informasi tambahan berupa batas kawasan milik perhutani. Hasil proses re-group 3 yaitu 12 kelas tutupan lahan yang dapat dilihat pada Tabel 5 dan proses regrup dapat dilihat pada Gambar 3.

23 10 No Tutupan lahan Tabel 5 Tutupan lahan hasil analisis separabilitas Tampilan citra Foto lapang Warna Bentuk Ukuran Tekstur Pola Site Asosiasi 1 Awan Putih-merah muda Tidak teratur Kecilbesar Halus Tidak teratur Bayangan awan Hitam Tidak teratur Kecilbesar Halus Tidak teratur Hutan mangrove Hijau muda Tidak teratur Kecil Halus Tidak teratur Datar Dekat dengan laut 4 Hutan karet Hijau kecoklatan Tidak teratur Kecil Halus Tidak teratur Datar - 5 Kebun kelapa 6 Sawah Mosaik hijau muda dan merah muda Biru- hijau kebiruan Tidak teratur Teratur Kecilbesar Kecilbesar Halus Halus Teratur mengelo mpok Datar Datar Dekat dengan laut Teratur mengelo mpoktersebar Aksesibilitas mudah

24 11 No 7 Semak 8 Tutupan lahan Tanah kosong Tabel 6 Tutupan lahan hasil analisis separabilitas (lanjutan) Tampilan citra Foto lapang Warna Bentuk Ukuran Tekstur Pola Site Asosiasi hujau mudamerah muda merah muda - merah tidak teratur Kecil Halus Tidak teratur Kecil Halus Tidak teratur Tidak teratur Datarbergelom bang Datarbergelom bang - Aksesibilitas mudah 9 Badan air biru tua Tidak teratur Kecilbesar Halus Tidak teratur Datar - 10 Pertanian lahan kering (PLK) 11 Pemukiman mosaik hijau dan merah muda mosaik merah muda dan hijau Tidak teratur Teratur Kecil Kasar Halus Tidak teratur Teratur mengol ompok - tersebar Datar Datar Dekat dengan pemukim an Kecilbesar Aksesibilitas mudah 12 Hutan/ Kebun campuran hijau muda - hijau tua Tidak teratur Tidak teratur Kecilbesar Haluskasar Datarbergelom bang - 11

25 12 Re-group awal Re-group 1 Re-group 2 Re-group 3 1. Awan 1. Awan 1. Awan 1. Awan 2. Bayangan awan 2. Bayangan awan 2. Bayangan awan 2. Bayangan awan 3. Hutan mangrove 3. Hutan mangrove 3. Hutan mangrove 3. Hutan mangrove 4. Hutan rakyat campuran 4. Hutan karet 4. Hutan karet 4. Hutan karet 5. Hutan sengon 5. Kebun kelapa 5. Kebun kelapa 5. Kebun kelapa 6. Kebun karet 6. Sawah 6. Sawah 6. Sawah 7. Kebun campuran 7. Semak 7. Semak 7. Semak 8. Kebun kelapa 8. Tanah kosong 8. Tanah kosong 8. Tanah kosong 9. Pemukiman desa 9. Badan air 9. Badan air 9. Badan air 10. Pemukiman kota 11. Sawah 12. Semak 13. Tanah kosong 14. Badan air 15. Pertanian lahan kering 16. Hutan jati umur 1 tahun 17. Hutan jati umur 2 tahun 18. Hutan jati umur 3 tahun 19. Hutan jati umur 4 tahun 20. Hutan jati umur 5 tahun 21. Hutan jati umur 7 tahun 22. Hutan jati umur 9-10 tahun 23. Hutan jati umur 13 tahun 24. Hutan jati umur tahun 25. Hutan jati umur 22 tahun 26. Hutan jati umur 26 tahun 27. Hutan jati umur 31 tahun 28. Hutan jati umur 32 tahun 29. Hutan jati umur tahun 30. Hutan mahoni umur 9 tahun 31. Hutan mahoni umur 13 tahun 32. Hutan mahoni umur 18 tahun 33. Hutan mahoni umur 22 tahun 34. Hutan mahoni umur 37 tahun 10. Pertanian lahan kering 11. Pemukiman 12. Kebun campuran 13. hutan jati umur 1-4 tahun 14. Hutan jati umur 5-19 tahun 15. Hutan jati umur tahun 16. Hutan jati umur tahun 17. Hutan mahoni 10. Pertanian lahan kering 11. Pemukiman 12. Kebun campuran 13. Hutan jati 14. Hutan mahoni 10. Pertanian lahan kering 11. Pemukiman 12. Hutan/ Kebun campuran Gambar 3 Diagram proses re-group pada analisis separabilitas

26 Tabel 7 Nilai separabilitas dari 12 kelas tutupan lahan di Kabupaten Ciamis dengan menggunakan 8 band OLI pada citra Landsat 8 separabilitas : Awan, 2: Bayangan awan, 3: Hutan mangrove, 4: Hutan karet, 5: Kebun kelapa, 6: Sawah, 7: Semak, 8: Tanah kosong, 9: Badan air, 10: Pertanian lahan kering, 11: Pemukiman, 12: Hutan/ Kebun campuran. Tabel 7 menunjukan nilai separabilitas dari 12 kelas tutupan lahan dimana dilihat bahwa kelas awan, bayangan awan dan hutan mangrove memiliki nilai separabilitas 2000 yang berarti ketiga kelas tersebut dapat terpisahkan sangat baik dengan kelas-kelas lainnya. Secara umum seluruh kelas terpisahkan secara baik karena memiliki nilai separabilitas lebih besar dari Nilai separabilitas terkecil ditunjukan antara kelas kebun kelapa dengan pertanian lahan kering dengan nilai Berdasarkan proses analisis separabilitas dapat dikatakan bahwa dengan menggunakan 8 band pada sensor OLI yang memiliki resolusi spasial yang sama yaitu 30 meter, Landsat 8 dapat membedakan 12 jenis kelas tutupan lahan secara baik (nilai separabilitas >1900). Selanjutnya dilakukan pengujian dengan mengurangi jumlah band yang digunakan pada analisis separabilitas menjadi 6 band pada sensor OLI yaitu band 1, band 3, band 5, band 6, band 7 dan band 9. Tujuan dilakukan pengujian dengan mengurangi jumlah band ini untuk memperoleh jumlah band optimal dalam membedakan 12 kelas tutupan lahan hasil analisis separabilitas. Selain dilakukan pengurangan jumlah band, dilakukan pula pengujian pengaruh band-band pada sensor TIRS dalam mengidentifikasi jenis kelas tutupan lahan. Untuk itu dilakukan penambahan band 10 dan band 11 yang berada pada sensor TIRS dengan 6 band yang berada pada sensor OLI. Dapat dilihat pada Tabel 8 bahwa dengan mengurangi jumlah band menjadi 6 band, nilai keterpisahan yang diperoleh menurun hampir pada setiap kelas tutupan lahan terutama pada kelas kebun kelapa dengan pertanian lahan kering dan badan air dengan sawah yang memiliki nilai keterpisahan dibawah kriteria yang diinginkan (1800). Namun untuk kelas Hutan/ kebun campuran dengan vegetasi dominan pohon nilai keterpisahan yang ditunjukan masih berada di atas kriteria yang ditetapkan. Dengan menambahkan band TIRS pada citra komposit, nilai separabilitas meningkat pada semua kelas tutupan lahan. Hal ini disebabkan karena nilai 13

27 14 korelasi yang sangat rendah dari band pada sensor TIRS dengan band lainnya pada sensor OLI sehingga secara teori dapat membantu dalam membedakan objek-objek tutupan lahan. Nilai separabilitas dengan menggunakan 6 band pada sensor OLI dan 2 band pada sensor TIRS dapat dilihat pada Tabel 9. Tabel 8 Nilai separabilitas dari 12 kelas tutupan lahan di Kabupaten Ciamis dengan menggunakan 6 band OLI pada citra Landsat : Awan, 2: Bayangan awan, 3: Hutan mangrove, 4: Hutan karet, 5: Kebun kelapa, 6: Sawah, 7: Semak, 8: Tanah kosong, 9: Badan air, 10: Pertanian lahan kering, 11: Pemukiman, 12: Hutan/ Kebun campuran. Tabel 9 Nilai separabilitas dari 12 kelas tutupan lahan di Kabupaten Ciamis dengan menggunakan 6 band OLI dan 2 band TIRS pada citra Landsat 8 separabilitas separabilitas : Awan, 2: Bayangan awan, 3: Hutan mangrove, 4: Hutan karet, 5: Kebun kelapa, 6: Sawah, 7: Semak, 8: Tanah kosong, 9: Badan air, 10: Pertanian lahan kering, 11: Pemukiman, 12: Hutan/ Kebun campuran.

28 15 Klasifikasi Terbimbing Klasifikasi merupakan suatu proses penyusunan, pengurutan, atau pengelompokkan setiap piksel citra digital multi spektral (multi band) ke dalam beberapa kelas berdasarkan kriteria atau kategori objek. Pada analisis ini diasumsikan setiap piksel yang berada dalam satu kelas memiliki karakteristik yang homogen (Prahasta 2009). Menurut Purwadi (2001) dalam Maharani (2011) Prosedur klasifikasi citra secara digital bertujuan untuk mengkategorikan semua piksel citra ke dalam kelas penutupan lahan secara otomatis. Klasifikasi terbimbing merupakan salah satu jenis klasifikasi digital dengan menggunakan piksel-piksel pada area contoh sebagai informasi untuk mengelompokkan seluruh piksel pada citra menjadi sejumlah kelas. Pada klasifikasi terbimbing ini digunakan 12 kelas tutupan lahan yang merupakan hasil dari analisis separabilitas. Pada penelitian ini digunakan klasifikasi terbimbing dengan metode Maximum Likelihood dan Support Vector Machine. Metode Maximum Likelihood mampu meminimalkan kesalahan klasifikasi dengan mempertimbangkan nilai rata-rata dan keragaman antar kelas dan antar saluran (kovariansi) (Lillesand et al. dalam Hidayati 2010). Metode Support Vector Machine dapat mencari sebuah vector atau garis yang berfungsi sebagai pemisah dua buah kelas dengan memaksimalkan margin antar kelas tersebut. Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space (Nugroho et al. 2003). Garis pemisah antar kelas yang dibuat dapat berupa garis linear, polynomial, radial basis function dan sigmoid. Support Vector Machine didasarkan pada Risk Minimization Principle dari teori belajar statistik. Ide dari meminimalisasi resiko struktural untukdapat menemukan hipotesis tertentu dengan kesalahan terendah (Kuspriyanto et a.l 2010). Klasifikasi dilakukan pada citra komposti dengan 8 band pada sensor OLI, 6 band pada sensor OLI dan 6 band pada sensor OLI + 2 sensor TIRS. Gambar 4 menunjukan hasil klasifikasi dengan menggunakan metode Maximum Likelihood dan Gambar 5, Gambar 6, Gambar 7, dan Gambar 8 menunjukan hasil klasifikasi dengan menggunakan metode Support Vector Machine dengan berbagai fungsi untuk citra komposit dengan 8 band pada sensor OLI. Dari Gambar di bawah dapat dilihat bahwa terdapat perbedaan yang cukup jelas antara klasifikasi dengan metode Maximum Likelihood dengan metode SVM, namun untuk metode SVM tidak terlihat perdedaan yang mencolok pada berbagai fungsinya. Gambar 4 Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode Maximum Likelihood

29 16 Gambar 5 Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode SVM linear Gambar 6 Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode SVM polynomial Gambar 7 Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode SVM radial basis function Gambar 8 Peta klasifikasi tutupan lahan di Kabupaten Ciamis dengan metode SVM sigmoid

30 17 Evaluasi Akurasi Evaluasi akurasi dilakukan pada hasil klasifikasi dengan menggunakan set data untuk uji validasi. Hasil Overall accuracy dapat dilihat pada Gambar 9 dan Kappa accuracy dapat dilihat pada Gambar 10. Gambar 9 Overall accuracy hasil klasifikasi Gambar 10 Kappa accuracy hasil klasifikasi Berdasarkan pada Gambar 9, nilai overall accuracy cenderung lebih tinggi dibandingkan dengan nilai kappa accuracy hal ini sesuai dengan Jaya (2010) yang menyatakan bahwa nilai overall accuracy umumnya terlalu over estimate sehingga jarang digunakan sebagai indikator yang baik untuk mengukur kesuksesan suatu klasifikasi karena hanya menggunakan piksel-piksel yang terletak pada diagonal suatu matrik kontingensi. Akurasi yang dianjurkan untuk digunakan adalah akurasi kappa karena akurasi ini menggunakan semua elemen dalam matrik.

31 18 Berdasarkan Tabel 10, secara umum citra komposit yang terdiri dari 8 band pada sensor OLI memiliki akurasi yang paling tinggi yaitu metode SVM dengan berbagai fungsinya sedangkan pada metode Maximum Likelihood nilai tertinggi ditunjukan oleh citra komposit yang terdiri dari 6 band pada sensor OLI ditambah 2 band pada sensor TIRS artinya penambahan band pada sensor TIRS dapat membantu meningkatkan akurasi hasil klasifikasi hal ini sesuai dengan analisis separabilitas dimana penambahan band tersebut dapat memperbaiki separabilitas antar kelas. Nilai akurasi kappa tertinggi ditunjukkan oleh metode SVM dengan fungsi linear yaitu sebesar 76.56% dengan citra komposit 8 band pada sensor OLI, sedangkan nilai terendah ditunjukan oleh metode Maximum Likelihood. Matriks kontingensi untuk metode SVM linear dengan 8 band OLI dapat dilihat pada Lampiran 4. Pada matriks kontingensi dapat dilihat bahwa nilai producer accuracy tertinggi diperoleh pada kelas tutupan lahan hutan karet dengan nilai 100%, artinya dari 16 piksel yang dikategorikan sebagai hutan karet, seluruhnya terklasifikasi dengan benar sebagai hutan karet. Untuk nilai producer accuracy terendah diperoleh pada kelas tutupan lahan semak dengan nilai 0%, artinya dari 17 piksel yang dikategorikan sebagai tutupan lahan semak, tidak ada satupun yang terklasifikasi sebagai semak melainkan 13 piksel terklasifikasi sebagai hutan/ kebun campuran dan 4 piksel terklasifikasi sebagai tanah kosong. Nilai producer accuracy yang cukup rendah juga dapat dilihat pada kelas pertanian lahan kering, kebun kelapa dan hutan karet. Pada matriks kontingensi juga dapat dilihat bahwa nilai user accuracy tertinggi terdapat pada kelas tutupan lahan pertanian lahan kering dimana dari total 4 piksel yang dikelasifikasi sebagai pertanian lahan kering, seluruhnya dikategorikan sebagai pertanian lahan kering pada kondisi sebenarnya di lapang. Nilai user accuracy terendah terdapat pada kelas tutupan lahan semak dimana nilai yang diperoleh sebesar 0%, artinya 1 piksel yang diklasifikasi merupakan semak, tidak dikategorikan sebagai semak pada kondisi lapang melainkan kebun kelapa. Dari uraian di atas dapat dikatakan bahwa memang metode support vector machine dengan fungsi linear merupakan metode yang paling baik dari seluruh metode yang dibandingkan hal ini karena konsep utama pada metode ini adalah untuk mendapatkan hyperplane terbaik yang memisahkan dua kelas, kemudian mencoba untuk menemukan margin yang paling maksimal, margin adalah jarak antara hyperplane dengan pola terdekat dari masing-masing kelas yang disebut vektor dukungan (Syarif et al. 2013). namun metode ini masih memiliki kelemahan pada saat melakukan klasifikasi tutupan lahan terutama pada kelas semak. Untuk membatasi antara hutan milik perhutani dengan hutan diluar kawasan perhutani dapat dilakukan dengan penambahan data batas kawasan perhutani dengan didukung oleh Sistem Informasi Geografis (SIG). Analisis Visual Citra Klasifikasi digital merupakan suatu klasifikasi dimana pengelompokkan piksel-piksel yang memiliki tingkat kemiripan spektral dilakukan oleh komputer. Klasifikasi ini terkadang akan menghasilkan kenampakkan yang sedikit berbeda dengan penafsiran secara visual karena perangkat komputer akan konsisten dalam mengkelaskan piksel-piksel pada citra menjadi suatu kelas tutupan lahan.

32 Sedangkan pada penafsiran visual, tidak hanya mempertimbangkan nilai digital yang akan mencerminkan warna dari piksel-piksel tersebut tetapi juga mempertimbangkan elemen-elemen penafsiran lainnya seperti bentuk, ukuran, pola, tekstur, bayangan, dan asosisi dari kenampakkan objek. Untuk itu perlu dilakukan interpretasi visual citra guna meningkatkan keyakinan pada hasil klasifikasi yang telah dilakukan secara digital. Hasil interpretasi visual citra Landsat 8 dapat dilihat pada Gambar Gambar 11 Peta klasifikasi tutupan lahan dengan metode interpretasi visual Kedua metode yang dibandingkan dapat dikatakan memiliki keunggulam masing-masing dalam melakukan klasifikasi tutupan lahan. Metode Maximum Likelihood secara umum lebih baik dalam mengkelaskan tutupan lahan pertanian lahan kering dan hutan karet sedangkan metode SVM secara umum lebih baik dalam mengkelaskan tutupan lahan kebun kelapa, hutan/ kebun campuran dan pemukiman karena lebih sesuai dengan hasil interpretasi secara visual. Tidak ditemukan perbedaan yang besar antara metode SVM pada berbagai fungsi, hal ini sesuai dengan nilai akurasi yang tidak berbeda jauh antara satu dengan lainnya. Metode SVM pada setiap fungsinya secara umum memiliki tingkat ketepatan yang lebih sesuai dengan hasil interpretasi visual dibandingkan metode Maximum Likelihood. Untuk itu dapat dikatakan metode SVM lebih baik dibandingkan dengan metode Maximum Likelihood dalam klasifikasi tutupan lahan. Sedangkan pemilihan fungsi yang terbaik untuk digunakan dapat dilihat dari hasil uji kappa accuracy yaitu fungsi liner yang menghasilkan nilai akurasi tertinggi sebesar 76.53%. SIMPULAN DAN SARAN Simpulan Berdasarkan analisis separabilitas, jumlah kelas tutupan lahan di Kabupaten Ciamis yang dapat dibedakan dengan cukup baik secara nilai digital menggunakan citra Landsat 8 yaitu sebanyak 12 kelas yang meliputi awan, bayangan awan, badan air, hutan mangrove, hutan karet, pertanian lahan kering, kebun kelapa, sawah, semak, tanah kosong, pemukiman, dan hutan/ kebun campuran. Dari 12 kelas tutupan lahan yang dapat dibedakan, metode terbaik yang dapat dilakukan untuk melakukan klasifikasi tutupan lahan yaitu metode Support Vector Machine

33 20 dengan fungsi linear karena menghasilkan tingkat akurasi yang paling tinggi yaitu sebesar 76.53% dan memiliki tingkat kesesuaian yang tinggi dengan hasil interpretasi visual citra. Saran Perlu dilakukan penelitian lanjutan dalam identifikasi tutupan lahan menggunakan citra Landsat 8 pada lokasi lain dengan jenis tutupan lahan yang lebih beragam. DAFTAR PUSTAKA Hidayati IN Pemanfaatan Teori Bukti Dempster-shaffer untuk Optimalisasi Penggunaan Lahan Berdasarkan Data Spasial dan Citra Multisumber. EMBRYO [Internet]. 2012; [diunduh 2013 November 28];7(1):53. pertanian.trunojoyo.ac.id/wp-content/uploads/2012/03/9 JURNALISWARI- UGM.pdf. Jaya INS Analisis Citra Digital : Perspektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor (ID) : Fakultas Kehutanan IPB. Kuspriyanto, Santoso OS, Widyantoro DH, Sastramihardja HS, Muludi K, Maimunah S Performance Evaluation of SVM-Based Information Extraction using τ Margin Values. IJEEI [Internet] [diunduh 2014 Januari 22];2(4): Lillesand TM, Kiefer RW Penginderaan Jauh dan Penafsiran Citra. Dulbahri, Suharsono P, Hartono, Suharyadi, Penerjemah; Sutanto, editor. Yogyakarta (ID): Gadjah Mada University Press. Terjemahan dari: Remote Sensing and Image Interpretation. Maharani SR Aplikasi citra ALOS PALSAR resolusi 50 m dan citra ALOS AVNIR-2 resolusi 50 m dalam identifikasi tutupan lahan di Kabupaten Tuban, Blora, Rembang dan Bojonegoro [skripsi]. Bogor (ID): Institut Pertanian Bogor. [NASA] National Aeronautics and Space Administration Landsat 8 Mission Updates [Internet]. [diacu 2013 November 17]. Tersedia dari : Nugroho AS, Wirarto AB, Handoko D. Support Vector Machine: Teori dan Aplikasnya dalam Bioinformatika [Internet]. [diacu 2013 November 28]. Tersedia dari : Praharsa E Sistem Informasi Geografis Konsep-Konsep Dasar (Perspektif Geodesi & Geomatika). Bandung (ID) : Informatika Bandung. Syarif S, Harun N, Tola M, Tjaronge MW. Detection for Forest Illegal Logging at River Basin Area. IJET [Internet] [diunduh 2013 Januari 22];3(5): [USGS] United States Geological Survey Frequently Asked Questions about the Landsat Missions [Internet]. [diacu 2013 November 16]. Tersedia dari:

34 Lampiran 1 Nilai separabilitas dari 34 kelas tutupan lahan di Kabupaten Ciamis separabilitas